Profiling (profilování) v mobilním vývoji: podstata, metriky a nástroje

Co je profilování v mobilním vývoji?

Profiling je sběr a analýza dat o chodu aplikace: které funkce se provádějí, jak dlouho trvají, kolik paměti spotřebovávají a jak komunikují se sítí. Na rozdíl od logování pracuje profilování na systémové úrovni a poskytuje přesné číselné metriky, nikoli subjektivní hodnocení.

Hlavním cílem profilování je najít části kódu, které neoptimálně využívají zdroje. Mohou to být pomalé metody volané v UI vlákně, úniky paměti, neefektivní SQL dotazy, nadměrná síťová volání nebo nadměrná spotřeba energie. Bez profilování opravují vývojáři to, co “vypadá pomalu”, místo aby se spoléhali na skutečná data.

Podle Google I/O 2023 vykazují aplikace, které procházejí pravidelným profilováním během vývoje, o 40 % méně chyb ANR (Application Not Responding) a o 50 % méně pádů kvůli OutOfMemory. Nástroje profilování jsou integrovány do všech moderních IDE — Android Studio Profiler pro Android a Xcode Instruments pro iOS.

Profilování může být statické (analýza kódu bez spuštění — lint, Detekt) a dynamické (měření za běhu aplikace). Pro hledání skutečných problémů s výkonem se používá dynamické profilování, které ukazuje skutečné chování aplikace na zařízení nebo emulátoru.

Kdy provádět profilování

Profilování je nezbytné před každým velkým vydáním, při zavádění těžkých UI komponent (seznamy, animace, vlastní View), při stížnostech uživatelů na zpomalení a vybíjení baterie a po změně architektury aplikace. Systematický přístup — provádějte profilování v každém sprintu s zaznamenáváním základních metrik (baseline).

Profilování CPU: jak najít úzká místa

Profilování CPU sleduje, které metody a vlákna zatěžují procesor a jak dlouho trvá každé volání. Hlavním úkolem je najít funkce, které pracují déle, než se očekává, a blokují UI vlákno, což způsobuje ztrátu snímků (jank) a ANR.

Na Androidu zobrazuje CPU Profiler strom Top-Down — strom volání, kde lze vidět, která metoda trvá nejdéle v kontextu konkrétního vlákna. Na iOS funguje Instruments Time Profiler na principu vzorkování: v pravidelných intervalech (např. 1 ms) systém zaznamená zásobník volání každého vlákna. Na základě statistiky vzorkování se určí, který kód zabírá nejvíce času.

// Příklad: pomalá metoda způsobující jank
class UserAdapter : RecyclerView.Adapter<UserViewHolder>() {

    override fun onBindViewHolder(holder: UserViewHolder, position: Int) {
        // ❌ Tato metoda je volána v UI vlákně a blokuje vykreslování
        // Profilování ukáže, že decompressImage zabírá 80 % času
        val user = getItem(position)
        val bitmap = ImageUtils.decompressImage(user.avatar)
        holder.avatarView.setImageBitmap(bitmap)
    }
}

Při profilování CPU je třeba věnovat pozornost metodám s vysokým Self Time — to je čas, který metoda věnuje své vlastní práci, bez volání podřízených metod. Pokud Self Time metody v UI vlákně přesáhne 16 ms — zaručuje to ztrátu snímku na 60 FPS obrazovce. Řešení — přesunout těžké operace na vlákno na pozadí.

Profilování paměti: hledání úniků a optimalizace

Profilování paměti sleduje, kolik paměti aplikace používá: jaké objekty se vytvářejí, jak dlouho žijí a kdy se uvolňují. Hlavním úkolem je najít úniky (objekty, které by neměly existovat, ale zůstávají v paměti) a nadměrné alokace (objekty, které se vytvářejí příliš často).

Android Memory Profiler zobrazuje graf spotřeby RAM v reálném čase, seznam všech alokovaných objektů a podrobnosti pro každý typ. Klíčové metriky: Java Heap (objekty v haldě JVM), Native Heap (alokace na úrovni C/C++), Graphics Memory (textury a GPU buffery). Pro iOS zobrazuje Instruments Allocations podobné metriky: Heap Allocations (objekty v haldě) a Anonymous VM (stránky virtuální paměti).

Při profilování paměti je důležité pořídit výpis haldy po provedení typických uživatelských scénářů: otevření a zavření obrazovky, načtení seznamu, práce s obrázky. Porovnání dvou výpisů (před a po scénáři) ukáže, které objekty se neuvolnily. Pokud se počet objektů Activity zvýšil, zatímco obrazovka byla zavřena — jedná se o únik.

Jak interpretovat výpis HPROF

V Android Studio otevřete výpis přes Memory Profiler: seřaďte objekty podle Retained Size (čím větší, tím více paměti objekt zadržuje). Hledejte instance Activity, Fragment a Bitmap, které by v paměti neměly být. Pokud takový objekt existuje — přejděte do Reference Tree, abyste viděli, co ho zadržuje.

Profilování sítě: analýza provozu a zpoždění

Profilování sítě sleduje všechny HTTP požadavky aplikace: URL, velikost odpovědi, dobu provádění, kódy odpovědi a hlavičky. Hlavním cílem je najít požadavky, které trvají příliš dlouho, přenášejí nadbytečná data nebo jsou volány zbytečně.

Na Androidu zobrazuje Network Profiler časovou osu všech síťových volání, jejich trvání a velikost přenesených dat. Každý požadavek lze otevřít pro zobrazení úplných hlaviček a těla odpovědi. Na iOS používá Instruments Network pro podobné úkoly monitorování URL Loading System a zobrazuje waterfall diagram požadavků.

Typické problémy, které profilování sítě odhaluje: chybějící cache (stejný JSON se načítá při každém otevření obrazovky), duplicitní požadavky (několik komponent současně požaduje stejná data), velké odpovědi (server odesílá 5 MB JSON, když je potřeba 100 KB). Pro každý problém existuje standardní řešení: nastavit cache přes OkHttp nebo URLSession, sloučit odběry přes Combine nebo Flow, přidat stránkování na serveru.

Zvláštní pozornost věnujte prvnímu bajtu (TTFB — Time To First Byte). Pokud TTFB přesahuje 500 ms při dobrém připojení — problém je na straně serveru. Pokud je samotný požadavek rychlý, ale parsování JSON trvá sekundy — problém je v deserializaci a je třeba jej profilovat samostatně.

Profilování energie: analýza spotřeby energie

Profilování energie měří, jak aplikace ovlivňuje výdrž baterie. Jedná se o relativně nový typ profilování, ale kriticky důležitý pro mobilní aplikace — uživatelé odstraňují aplikace, které nadměrně vybíjejí telefon. Energy Profiler v Android Studio a Energy Log v Instruments ukazují, které operace (Wi-Fi, GPS, CPU, Bluetooth) spotřebovávají energii v každém okamžiku.

Hlavní spotřebitelé energie v mobilních aplikacích: WakeLock (udržování procesoru v aktivním stavu), GPS Location (neustálé aktualizace souřadnic), síťové požadavky (zejména na mobilní síti 4G/5G), animace na pozadí. Energy Profiler překrývá události aplikace na stupnici spotřeby energie — pokud je v grafu špička, lze přesně určit, která operace ji způsobila.

Podle Apple WWDC 2023 zvyšuje snížení spotřeby energie aplikace o 20 % retenci uživatelů o 12 %, protože uživatelé mají tendenci odstraňovat aplikace, které rychle vybíjejí baterii. Doporučení — vždy zapínejte Energy Profiler při testování scénářů s GPS, synchronizací na pozadí a streamováním.

Nástroje profilování pro iOS a Android

Výběr nástroje závisí na platformě a typu profilování. Pro Android je základní sada — Android Studio Profiler (CPU, Memory, Network, Energy), LeakCanary (úniky paměti) a Perfetto (systémové profilování na úrovni jádra). Pro iOS — Xcode Instruments se sadou šablon Time Profiler, Allocations, Leaks, Energy Log, Network a Core Animation.

Pro multiplatformní vývoj s Flutterem se používá DevTools s moduly Timeline (CPU), Memory, Network a Debugger. Pro React Native — React DevTools a Flipper od Facebooku, který podporuje inspekci sítě, databáze a hierarchie UI. Bez ohledu na framework jsou základní principy profilování univerzální: měřte před optimalizací a po ní, zaznamenávejte baseline, porovnávejte metriky při každé změně kódu.

Moderní přístupy zahrnují automatizované profilování v CI. Na Androidu podporuje Firebase Test Lab měření výkonu spolu s UI testy: získáváte nejen pass/fail testů, ale také grafy CPU, Memory a Network pro každou iteraci. Podobnou funkcionalitu pro iOS poskytuje GitHub Actions s XCUITest a Instruments CLI.

Jak vybrat správný nástroj

Pro rychlou kontrolu jedné metriky použijte vestavěný profiler IDE. Pro komplexní analýzu úniků — specializované nástroje (LeakCanary, Instruments Leaks). Pro systémové profilování na úrovni ovladačů — Perfetto (Android) nebo DTrace (macOS). Kombinace dvou až tří nástrojů pokrývá 95 % scénářů profilování.